„Jeder Maschinenbauer hat ein ERP. Wir haben sogar eine Historie von Bestellungen. Jede Bestellung hat Informationen zum Datum der Bestellung, zur Bestätigung durch den Lieferanten und zum Lieferdatum. Viele vergessen die Daten einfach, wenn die Bestellung da ist“, erklärt Günther. Aber diese Daten seien sehr gut gepflegt. Die Inform-Entwickler haben also diese Daten genommen – drei Jahre in die Vergangenheit geschaut – und mit Machine Learning zuerst das Lieferantenverhalten analysiert und dann ein Prognosemodell entwickelt. Die Datenmenge: Bis zu 50.000 Bestellungen pro Jahr auf drei Jahre. Das klingt einfach. „Der Aufwand für die Daten war gering. Aber wir mussten rausfinden, welche Daten sind für die Bestellung relevant“, blickt Günther zurück. Welche Daten haben Einfluss auf die Bestellungen - wann wurde bestellt (Herbst oder Winter), wie wertvoll war die Bestellung (große Bestellungen liefen besser) oder welcher Einkäufer war verantwortlich.

Inform nutzte einen Random Forest Ansatz für die Auswertung. Ein Random Forest ist ein Klassifikations- und Regressionsverfahren, das aus mehreren unkorrelierten Entscheidungsbäumen besteht. Alle Entscheidungsbäume sind unter einer bestimmten Art von Randomisierung während des Lernprozesses gewachsen. „Wir wollten ja die breite Masse verbessern und nicht nur eine Bestellung“, begründet Günther den Einsatz des Entscheidungsbaums. Mithilfe der Inform-Software lassen sich Fehler in der Schätzung von Wiederbeschaffungszeiten um bis zu 42 Prozent reduzieren. „Der Kunde hat jetzt aktuelle Prognosetermine. Damit kann man auf der Messe jetzt niemanden an den Stand locken. Ein Tischtennis-Roboter wirkt da mehr“, scherzt der Inform-Manager. Aber, die Kunden können jetzt auf den Einkauf zugehen und Abweichungen schneller analysieren. Und: Es müssen nicht zehntausende Materialien überprüft werden. Nutzt man diese Ergebnisse jetzt mit einem Produktionsplanungstool, dann kann der Anwender echte Optimierungen fahren.